Apr, 2024

SaTML '24 CNN 可解释性竞赛：概念层面解释的新创新

PDF
TL;DRSaTML 2024 CNN Interpretability Competition 的目标是帮助人类众包工作者在 ImageNet 规模上检测卷积神经网络中的特洛伊木马，该报告展示了四个特别竞赛参赛作品的方法和结果，虽然通过可解释性工具帮助人类可靠地诊断特洛伊木马仍具挑战性，但竞赛的参赛作品为该领域做出了新的贡献并在 Casper 等人于 2023 年的基准上刷新了记录。
发现论文，激发创造
  • 大型图像数据集中的可解释性发现

    该研究提出了一种新方法，将新颖性检测与 CNN 图像特征相结合，用于在大型数据集中快速发现新的，有趣的，不同寻常或异常的图像，并提供可解释的解释。

    Jun, 2018

  • 混合 CNN - 解释器：为基于 CNN 的模型解释局部和全局上下文

    提出基于深度卷积神经网络的新型机器学习解释器，融合局部与全局解释框架，以实现对模型性能的更精确理解和监控。该方法可应用于各种卷积神经网络结构，并分析其输入输出关系、特征相关性和过滤器的重要性等关键参数。

    Oct, 2022

  • 为深度神经网络基准测试可解释性工具

    本文提出 Trojan rediscovery 作为一项基准测试任务，以评估可解释性工具生成工程相关见解的实用价值，并设计了两种基准测试方法。最终将这些方法应用到 16 个特征归因 / 显著性方法和 9 个特征合成方法中，发现了现有工具之间的巨大差异，并指出了未来研究的方向。

    Feb, 2023

  • 利用语义信息提高深度神经网络的可解释性

    本文提出了一种新颖的技术，通过利用人类描述中蕴含的丰富语义信息来提高深度神经网络的可解释性，特别是在视频字幕任务中，通过一个可解释损失将人类描述中的一组语义相关主题集成到模型中，并提出了一种预测差异最大化算法来解释每个神经元的学习特征。实验结果表明这种方法在视频字幕和视频动作识别方面非常有效。

    Mar, 2017

  • 可解释性卷积神经网络

    本文提出了一种方法，将传统的 CNN 转换为可解释的 CNN，以澄清 CNN 高卷积层中的知识表示。在可解释的 CNN 中，高卷积层中的每个滤波器表示某个物体部分，无需任何部件或纹理的注释就可以在学习过程中自动分配。实验表明，可解释的 CNN 中的滤波器比传统 CNN 中的滤波器更具有语义意义。

    Oct, 2017

  • 透明且可控的网络学习：通过嵌入人类指导概念

    本文提出了一种透明可控网络学习（TCNL）的方法来优化卷积神经网络模型的透明度和可控性，通过引入概念信息和建立概念特征提取器以及概念映射器等步骤，具体地实现了 TCNL 方法，提高了 CNN 模型的可解释性和人为控制性。

    Oct, 2022

  • 深度学习的可视化可解释性调查

    本文综述了解神经网络表示和学习可解释 / 解耦的中间层表示的最新研究进展，并重点介绍了卷积神经网络 (CNNs) 的可视化、诊断、解耦、学习及其在可解释人工智能方面的前景趋势。

    Feb, 2018

  • 可解释的组合卷积神经网络

    通过修改传统卷积神经网络，将其转化为可解释的组合卷积神经网络，以学习中间卷积层中编码有意义的视觉模式的滤波器，从而实现语义可解释的 AI，该方法可以广泛应用于不同类型的 CNN，并且实验效果良好。

    Jul, 2021

  • 走向完全可解释的深度神经网络：我们已经到达了吗？

    本文提供了一个现有方法的回顾，以开发具有内在可解释性的 DNN，重点关注卷积神经网络 (CNNs)，旨在了解向完全可解释 DNN 的当前进展，并确定当前工作中的差距和潜在研究方向。

    Jun, 2021

  • 卷积神经网络的语义解释：什么使得一只猫成为猫？

    本文提出了语义可解释人工智能（S-XAI）框架，利用基因算法发现的最佳超像素的共同特征和可视化技术提取了理解的语义空间，同时提供了语义空间的统计解释和语义概率的概念。实验结果表明，S-XAI 在为 CNN 提供更好的语义解释方面是有效的，具有广泛的应用价值，包括可信度评估和语义样本搜索。

    Apr, 2022